傳統GBDT在優化時只用到壹階導數信息，xgboost則對代價函數進行了二階泰勒展開，同時用到了壹階和二階導數。順便提壹下，xgboost工具支持自定義代價函數，只要函數可壹階和二階求導。
xgboost在代價函數裏加入了正則項，用於控制模型的復雜度。正則項裏包含了樹的葉子節點個數、每個葉子節點上輸出的score的L2模的平方和。從Bias-variance tradeoff角度來講，正則項降低了模型的variance，使學習出來的模型更加簡單，防止過擬合，這也是xgboost優於傳統GBDT的壹個特性。
Shrinkage（縮減），相當於學習速率（xgboost中的eta）。xgboost在進行完壹次叠代後，會將葉子節點的權重乘上該系數，主要是為了削弱每棵樹的影響，讓後面有更大的學習空間。實際應用中，壹般把eta設置得小壹點，然後叠代次數設置得大壹點。（補充：傳統GBDT的實現也有學習速率）
列抽樣（column subsampling）。xgboost借鑒了隨機森林的做法，支持列抽樣，不僅能降低過擬合，還能減少計算，這也是xgboost異於傳統gbdt的壹個特性。
對缺失值的處理。對於特征的值有缺失的樣本，xgboost可以自動學習出它的分裂方向。
xgboost工具支持並行。boosting不是壹種串行的結構嗎?怎麽並行的？註意xgboost的並行不是tree粒度的並行，xgboost也是壹次叠代完才能進行下壹次叠代的（第t次叠代的代價函數裏包含了前面t-1次叠代的預測值）。xgboost的並行是在特征粒度上的。我們知道，決策樹的學習最耗時的壹個步驟就是對特征的值進行排序（因為要確定最佳分割點），xgboost在訓練之前，預先對數據進行了排序，然後保存為block結構，後面的叠代中重復地使用這個結構，大大減小計算量。這個block結構也使得並行成為了可能，在進行節點的分裂時，需要計算每個特征的增益，最終選增益最大的那個特征去做分裂，那麽各個特征的增益計算就可以開多線程進行。
可並行的近似直方圖算法。樹節點在進行分裂時，我們需要計算每個特征的每個分割點對應的增益，即用貪心法枚舉所有可能的分割點。當數據無法壹次載入內存或者在分布式情況下，貪心算法效率就會變得很低，所以xgboost還提出了壹種可並行的近似直方圖算法，用於高效地生成候選的分割點。